基于siPLS的猕猴桃糖度近红外光谱检测

为了探寻一种快速无损检测猕猴桃糖度的方法,利用小波滤噪法对猕猴桃1000～2500nm 近红外光谱进行了预处理,并用偏最小二乘法(PLS)、区间偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)分别建立预测模型。结果表明,采用联合区间偏最小二乘法将光谱划分为16 个子区间,利用其中的第9、11、13 号3 个子区间联合建立的糖度模型效果最佳,其校正集相关系数和均方根误差分别为0.9414 和0.3788。预测集相关系数和均方根误差分别为0.9295 和0.3904,主因子数为7 个。研究表明,用小波滤噪和联合区间偏最小二乘法所建立的猕猴桃糖度模型不但减少建模运算时间,剔除噪声过大的谱区,而且预测能力和精度均有所提高。     

移动窗口偏最小二乘法优选猪油丙二醛近红外光谱波段

移动窗口偏最小二乘法(moving window PLS,MWPLS)是1种波长区间优选方法,主要用于选择与待测组分相关的高信息量的光谱区间。将该方法应用于猪油中丙二醛(malondialdehyde,MDA)含量的近红外定量分析模型的构建中,优选波长区间。通过改变MWPLS的窗口宽度,原始光谱以及经S-G卷积求导(一阶和二阶)预处理的近红外光谱,优选出多个与猪油中丙二醛含量相关的区域。评价及验证结果显示,原始光谱不经校正处理,移动窗口宽度为160个波长点时,优选到的光谱区域(7 305.4 cm-1~6 078.8 cm-1)所构建的定量分析模型最佳,其主因子数(Rank)、决定系数(R2)、交互验证的校正标准偏差(RMSECV)、预测标准偏差[RMSEP(mg/100g)]、Bias和交互检验相对标准偏差(RPD)分别为5,0.9944,0.0596%,0.0545,-0.0181和14.4。这说明用MWPLS可以筛选猪油中丙二醛的近红外光谱信息区间,提高定量分析模型的预测能力,并降低数据的处理量(数据点由1 154个减少为162个)。     

食用油油酸的近红外特征谱区挑选

为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。     

食用油油酸的近红外特征谱区优选

为提高食用油油酸的近红外定量分析模型的预测性能,采用4种波长变量优选方法:移动窗口偏最小二乘算法(MWPLS)、间隔偏最小二乘法(i PLS)、向后间隔偏最小二乘法(Bi PLS)、组合间隔偏最小二乘算法(Si PLS),优选食用油油酸近红外光谱特征区间,建立57份食用油样本的油酸定量分析模型。试验结果表明,相较于全谱建模,4种变量优选方法都能在有效地减少建模所用的变量数的同时提高模型性能,其中采用Si PLS优选变量所建的油酸定量模型的预测性能最优,决定系数R2为0.995 0,交叉校验均方根误差(RMSECV)为1.037 2,预测均方根误差(RMSEP)为0.924 6。     

近红外光谱结合不同偏最小二乘法快速检测镇江香醋的浑浊度

利用近红外光谱(4000cm-1～10000cm-1)结合化学计量学方法快速检测了镇江香醋中的浑浊度。首先,用近红外光谱仪采集香醋样本的近红外光谱数据以及用离心法测定样本的浑浊度值;然后,采用间隔偏最小二乘法(iPLS)、反向区间偏最小二乘法(biPLS)、联合间隔偏最小二乘算法(siPLS)优选光谱特征区间;最后,采用全光谱(4000cm-1～10000cm-1)偏最小二乘法(PLS)对优选出来的区间建立香醋浑浊度近红外光谱模型。结果表明,采用siPLS将全光谱均匀划分30个子区间,选择4个子区间[4 10 18 27]联合时,建立的模型预测效果最佳,其RMSECV和RMSEP分别为0.173和0.208,校正集和预测集相关系数分别为0.9337和0.9004。因此,利用近红外光谱技术快速检测香醋中的浑浊度是可行的。     

近红外光谱技术定量分析葡萄酒的主要成分

利用近红外光谱分析技术对葡萄酒总糖和干浸出物含量进行定量分析,并通过偏最小二乘法(PLS)建立定量分析模型,同时采用间隔偏最小二乘法(iPLS)、组合间隔偏最小二乘法(SiPLS)和移动窗口偏最小二乘法(MWPLS)并结合遗传算法(GA)对整个谱区进行波长筛选。以决定系数(R~2)、预测标准偏差(RMSEP)、相对分析误差(RPD)以及最佳主因子数作为模型质量的评价指标。其中GA-SiPLS对模型的优化效果最佳,R~2分别达到0.9435和0.9034,RMSEP为0.2636和0.3653,RPD为4.21和3.61。结果表明:进行变量筛选可提高模型准确度和稳定性,降低解析难度,达到优化模型的作用。     

采用近红外光谱定量分析葡萄酒发酵液中总酸含量和pH值

利用近红外光谱分析技术对葡萄酒发酵液中总酸含量和pH值进行定量分析,并通过偏最小二乘法(PLS)建立定量分析模型,同时采用组合间隔偏最小二乘法(Si PLS)、移动窗口偏最小二乘法(MWPLS)并结合遗传算法(GA)对整个谱区进行光谱特征波长变量筛选。以决定系数(R2)、校正标准偏差(RMSEC)、预测标准偏差(RMSEP)、相对分析误差(RPD)以及最佳主因子数作为模型质量的评价指标。其中Si PLS-GA对模型的优化效果最佳,总酸含量和pH值优化模型的R2分别达到0.978 5和0.983 8,RMSEC为0.074 5和0.065 4,RMSEP为0.076 3和0.062 7,RPD为4.85和5.58。结果表明:进行变量筛选可提高模型准确度和稳定性,降低解析难度,达到优化模型的作用。     

近红外光谱结合偏最小二乘法快速测定糖果中水分含量

采用近红外光谱(NIR)结合偏最小二乘法(PLS)建立了一种糖果中水分含量快速准确的测定方法。在12500~3600 cm-1光谱范围内采集116批糖果的近红外漫反射光谱,并用减压干燥失重法测定其水分含量。通过比较不同参数对建模的影响,发现用多元散射校正法进行预处理,在11682.2~9826.1、8939.0~6267.9、5378.8~4487.8 cm-1光谱范围内,主成分数为15时,应用PLS方法建立的糖果水分的定量分析模型效果最佳。所建立模型的相关系数为0.9716,校正均方根误差和验证均方根误差分别为0.97%和1.03%。该方法结果准确可靠、操作简便,可用于糖果中水分含量的快速检测。     

茶皂素提取过程的原位实时监测技术

采用近红外光谱技术结合化学计量学方法,实时原位监测茶皂素提取过程中的茶皂素质量浓度、蛋白质质量浓度和多糖质量浓度的变化。研究结果表明,一阶求导(1stDer)为最优的光谱预处理方法,3个指标的校正集决定系数(RC)和预测集决定系数(RP)皆最高,交叉校验残差均方根误差(RMSECV)和预测残差均方根误差(RMSEP)最小。相较于偏最小二乘法(PLS)和区间偏最小二乘法(iPLS)算法对回归模型进行校正,以RP和RMSEP为评价指标,联合区间偏最小二乘法(Si-PLS)算法下所建模型稳健性最佳。茶皂素浓度模型中的RP=0.9889,RMSEP=1.36;蛋白质浓度的RP=0.9859,RMSEP=0.354;多糖浓度的RP=0.9919,RMSEP=0.359。结论:近红外光谱技术联合Si-PLS模型可较好的实时监测茶皂素提取过程。     

基于二维红外相关谱的模式识别技术判别掺杂牛奶

将二维相关谱与化学计量学结合实现掺杂牛奶与纯牛奶的判别分析。配制40个掺杂尿素牛奶、40个掺杂三聚氰胺牛奶和80个纯牛奶样品,在室温下采集各样品的一维红外光谱。以掺杂物浓度为外扰,分别构建了900~1 700 cm-1和900~1 200 cm-1vs.1 200~1 700 cm-1同步红外二维相关谱。在此基础上,分别建立了基于两个区间相关谱掺杂牛奶的多维偏最小二乘判别模型,并与传统一维的偏最小二乘判别模型的分析结果进行对比分析。结果表明:基于900~1 200 cm-1vs.1 200~1 700 cm-1二维相关谱模型优于900~1 700 cm-1二维相关谱模型,相关谱的多维偏最小二乘判别模型优于传统一维谱的偏最小二乘判别模型。     

间隔连续投影算法应用于近红外光谱苹果糖度模型的优化

目的采用一种改进的连续投影算法(successive projection algorithm,SPA)筛选光谱区间变量,优化苹果近红外光谱模型。方法试验以半透射方式无损地获取134个苹果的光谱信息,再以标准方法破坏性检测其内部糖度指标,在光谱信息与糖度指标之间构建定量模型。区间连续投影算法(intervals SPA, iSPA)是根据各光谱区间之间的投影关系,选择那些具有共线性小的区间变量来构建偏最小二乘模型(partial least square,PLS)。尝试以全区间光谱划分的间隔数量从5到60,步长为5,以优化共线性小的间隔组合。结果当划分为20个间隔时,构建的PLS模型相比于其他划分间隔时的模型,具有较小的交互验证均方根误差和较少的入选变量,此时对预测集的预测均方根误差为0.521,优于常规连续投影算法线性回归和全区间PLS模型的预测性能。结论区间连续投影算法可用于光谱区间变量的筛选,结合偏最小二乘法可提高模型的预测性能。     

MWPLS法在羊肉中TVB-N近红外定量分析中的应用

将移动窗口偏最小二乘（moving window partial least squares,MWPLS）法应用于羊肉中挥发性盐基氮（total volatile basic nitrogen,TVB-N）含量的近红外定量分析模型的构建中,通过改变MWPLS的窗口宽度,优选与羊肉中TVB-N含量高度相关的光谱区域。模型评价及验证结果显示,移动窗口宽度为160 个波长点时优选得到的光谱区域（1 325～1 484 nm）所构建的定量分析模型最佳,其预测相关系数、预测标准偏差、主因子数和预测偏差比率分别为0.856 84、0.564 29 mg/100 g、5和2.9,这说明MWPLS可以有效地筛选羊肉中TVB-N的近红外光谱信息区间,提高定量分析模型的预测能力,并降低数据的处理量（数据点由800 个减少为160 个）。     

基于特征波长提取的哈密大枣可溶性固形物的高光谱预测

本文利用高光谱图像技术对干制后的哈密大枣可溶性固形物含量(SSC)进行预测研究。使用多种预处理方法对原始光谱进行处理,并对原始光谱和预处理后的光谱分别建立PLS模型,对比分析得出均值中心化(MC)处理效果最佳。对MC处理后的光谱经联合区间偏最小二乘算法(si-PLS)筛选后,再结合遗传算法(GA)和竞争性自适应重加权算法(CARS)提取哈密大枣SSC的特征波长,将提取的波长变量建立哈密大枣SSC的PLS预测模型。结果显示:利用MC-CARS-GA-si-PLS方法提取的16个关键波长变量(仅占全光谱变量的2%)所建立的PLS模型性能优于全光谱PLS模型。该模型的预测集相关系数(Rp)、预测均方根误差(RMSEP)和预测(RPD)分别为0.93、0.48和2.721。该方法提取的波长变量所建立的预测模型,不仅使模型简化,而且增强了模型的预测能力,为高光谱图像技术对水果及其干制品的定量分析研究提供了参考。     

Nondestructive Determination of Soluble Solids Content of ‘Fuji’ Apples Produced in Different Areas and Bagged with Different Materials During Ripening

To investigate the feasibility of hyperspectral imaging technique in nondestructive determination of soluble solids content (SSC) of fruits produced in different places and bagged with different materials during ripening, the near infrared hyperspectral reflectance images were acquired on 196 ‘Fuji’ apples picked from four orchards in different areas and bagged with polyethylene film or light-impermeable paper. Mean reflectance spectrum from the regions of interest in the hyperspectral image of each apple was extracted. Standard normal variate (SNV) was used to eliminate the effect of instrument and environment on spectra. The sample set partitioning based on joint x–y distances method was applied to divide the samples into calibration set and prediction set as the ratio of 3:1. Successive projection algorithm (SPA) and uninformative variable elimination (UVE) method were used to select effective wavelengths (EWs) from the full spectra. Partial least squares (PLS), least squares support vector machine (LSSVM), and extreme learning machine (ELM) were used to develop SSC determination models. The results showed that 24 and 122 EWs were selected by SPA and UVE, respectively. The selection of EWs was helpful to SSC determination performance improvement. The optimal SSC prediction model was LSSVM based on selected EWs by SPA, with the correlation coefficient and root-mean-square error of prediction set of 0.878 and 0.908 °Brix, respectively. This study indicates that hyperspectral imaging technique could be used to determine SSC of intact apples produced in different places and bagged with different materials during ripening.     

融合近红外光谱和颜色参数的草莓可溶性固形物含量定量分析模型构建

草莓可溶性固形物(soluble solids content,SSC)含量是评价草莓内部品质的关键指标。为了实现对该指标的快速、无损评估,基于近红外光谱技术,构建了线性偏最小二乘(partial least squares,PLS)和非线性最小二乘支持向量机(least squares support vector machine,LS-SVM)模型,联合蒙特卡罗无信息变量消除和连续投影算法(Monte-Carlo uninformative variable elimination,successive projections algorithm,MC-UVE-SPA)从原始光谱4254个变量中提取了27个有效变量,并构建了基于有效变量的定量分析模型。同时,考虑到草莓表面颜色的影响,基于草莓RGB图像各分量获取了颜色特征参数,进一步融合光谱和颜色特征构建了多参数融合PLS和LS-SVM模型。基于相同的校正集和预测集,比较了所有模型对草莓内部SSC的预测性能。结果表明,MC-UVESPA是一种有效的草莓光谱变量选择算法,且多参数融合非线性LS-SVM模型是草莓内部SSC定量预测的最优模型。针对预测集样本,该模型相关系数RP和预测均方根误差(root mean square error of prediction,RMSEP)分别为0.9885和0.1532。该研究为基于近红外光谱技术的草莓可溶性固形物含量检测便携式仪器和在线检测设备研发奠定了基础。     

Variable selection for partial least squares analysis of soluble solids content in watermelon using near-infrared diffuse transmission technique

This work is focused on the variable selection in building the partial least squares (PLS) regression model of soluble solids content (SSC) that is used to evaluate quality grading of watermelon. The spectra were obtained by the near infrared (NIR) spectrometer with the device designed for on-line quality grading of watermelon and the spectra of 680–950 nm were adopted to analysis. The variable selection was based on Monte-Carlo uninformative variable elimination (MC-UVE) and genetic algorithm (GA). In comparison of the performances of the full-spectra (680–950 nm) PLS regression model and the feature wavelengths PLS regression model showed that the MC-UVE–GA–PLS model with baseline offset correction combined multiplicative scatter correction (MSC) pretreatment was much better and 14 variables in total were selected. The correlation coefficients between the predicted and actual SSC were 0.885 and 0.845, the root mean square errors were 0.562 °Brix and 0.574 °Brix for calibration and prediction set, respectively. This work can make a great contribution to the research of on-line quality grading for watermelon nondestructively.     

基于近红外光谱技术检测苹果气调贮藏期可溶性固形物含量

目的 基于近红外光谱技术结合偏最小二乘（Partial least square, PLS）法和最小二乘支持向量机回归（Least square-support vector regression, LS-SVR）法建立苹果气调贮藏期可溶性固形物（Soluble solids contents, SSC）含量预测模型。方法 在分析了气调贮藏期苹果细胞结构和SSC变化的基础上,采集了可见-近红外（Visible-near infrared, Vis-NIR）波段和长波近红外（Long wave near infrared, LWIR）波段下不同贮藏时间的苹果漫反射光谱信息,利用主成分分析方法（Principal component analysis,PCA）分析不同贮藏期苹果光谱信息分布特征,使用Kennard-Stone（K-S）算法以3:1比例对样本集进行划分,使用多元散射校正（Multiplicative scatter correction, MSC）和SG（Savitzky-Golay）平滑对光谱进行预处理,利用连续投影算法（Successive projections algorithm, SPA）和竞争自适应重加权采样（Competitive adaptive reweighted sampling, CARS）法对光谱进行特征波长提取,并建立SSC预测模型。结果 在LWIR波段下,经MSC预处理和CARS提取特征波长后建立的PLS模型取得了较好的预测精度,模型相关系数为0.900,均方根误差为0.478;经MSC、SG平滑预处理和CARS提取特征波长后建立的LS-SVR模型取得了更好的预测精度,模型相关系数为0.927,均方根误差为0.507。结论 构建的基于可见/近红外光谱无损预测模型可实现对气调贮藏期苹果SSC的准确预测,为高效贮藏技术提供了理论基础。     

近红外结合线性回归算法快速预测小麦籽粒干物质和重量

为了实现小麦品质（干物质、重量）的快速无损检测,对35个小麦品种样品进行了近红外系统扫描,获取光谱信息,并进行高斯滤波平滑（GFS）、归一化（N）和基线校正（BC）预处理。采用偏最小二乘（PLS）算法分别建立光谱信息与干物质和重量参考值之间的定量关系。采用回归系数法（RC）和连续投影算法（SPA）两种方法在900~1700 nm范围内选择最优波长对全波段PLS模型进行优化。基于选择的最优波长,分别建立PLS和MLR预测模型。结果表明,基于RC法从RAW光谱中筛选出的20个最佳波长构建的RC-RAW-PLS模型对干物质有较好的预测性能,r_P为0.93,RMSEP为0.03%。基于SPA法从RAW光谱中选取的12个最优波长建立的SPA-RAW-MLR模型对重量有较好的预测性能,r_P为0.89,RMSEP为0.32 g。综上所述,近红外光谱结合PLS和MLR算法可分别用于小麦籽粒干物质和重量的快速预测。     

近红外光谱变量选择及其在苹果可溶性固形物含量无损速测中的应用

目的采用近红外光谱技术,筛选有效变量对苹果可溶性固形物含量进行无损快速检测。方法以改进无变量信息消除算法为变量筛选方法,采用多元线性回归算法建立校正模型,采用外部盲样对模型进行预测准确度评价。结果基于改进无信息变量消除算法,筛选1391、1435、1521、1589nm4个关键波长作为变量,其所建校正模型的测定系数为0.6823,校正误差均方根为1.06,交互验证测定系数为0.6780,交互验证误差均方根为1.06。外部验证测定系数为0.6585,预测误差均方根为1.07。经F检验,预测模型的预测值与测定值之间具有显著相关性。结论该方法基本能够满足苹果可溶性固形物含量无损快速检测的需求,并可为水果可溶性固形物含量无损快速检测仪器的研制提供一定的技术参考。     

采后猕猴桃可溶性固形物含量的高光谱无损检测

为探讨基于高光谱成像技术无损检测采后猕猴桃可溶性固形物含量（soluble solids content,SSC）的可行性,基于猕猴桃900～1 700 nm波长范围的反射高光谱,建立了预测SSC的偏最小二乘、支持向量机及误差反向传播 （error back propagation,BP）网络模型,并综合比较了分别以全光谱的226 个波长,利用连续投影算法提取的12 个有效波长和采用无信息变量消除法提取的128 个有效波长作为模型的输入变量对各模型预测效果的影响。结果表明,连续投影算法能有效地提取有效波长,其在简化模型方面优势明显;BP网络与连续投影算法相结合具有最好的预测性能（预测相关系数为0.924,预测均方根误差为0.766）。研究表明,高光谱成像技术可无损检测猕猴桃的SSC,该技术将使猕猴桃内部品质的工业化分级成为可能。